System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及变压器红外图像诊断,尤其涉及一种基于改进alexnet的干式变压器红外图像故障诊断方法。
技术介绍
1、干式变压器因其防火特性目前已被广泛应用在城轨供电的场景中。其中,牵引整流变压器是最重要、最关键的设备,它的运行状态直接关系到城轨供电系统的供电质量。一般情况下,变压器的故障往往会造成灾难性的后果。变压器等电力设备的故障大部分是由于前期大量热量积聚和长期作用造成的,如果在故障发生之前及时发现异常温升,就能够避免故障带来的巨大损失。红外热像仪能够将物体的红外信号转换为电信号,通过图像的方式体现物体的温度分布情况,已广泛应用于电力设备测温。目前,红外技术最主要的应用形式是手持红外热成像仪进行拍摄,然后对设备状态进行分析,判断运行状态。但是这种人工巡检判断方法的不仅耗时费力,效率低下,而且过于依赖主观经验,容易发生误判。
2、近年来兴起的卷积神经网络(convolutional neural networks,cnn)技术,有较强的图像识别处理能力,能够显著提高红外图像的识别效率。已有国内外学者将cnn应用于电气设备的红外图像故障诊断中。
3、目前,现有技术中有学者提出了一种基于cnn的匝间短路识别方法,但该方法只针对匝间短路故障的识别,适用性差。
4、现有技术中还有学者提出基于快速alexnet的光伏板红外热图像识别方法,该方法由于仅修改了2层隐含层的参数,优化后的模型参数量仍然较大。
技术实现思路
1、本专利技术的实施例提供了一种基于
2、为了实现上述目的,本专利技术采取了如下技术方案。
3、1、一种基于改进alexnet的干式变压器红外图像故障诊断方法,其特征在于,包括:
4、通过故障模拟实验的方法得到干式变压器在不同过热性故障下的红外图像,建立红外图像数据集,将红外图像数据集划分为训练集和测试集;
5、构建基于改进alexnet的红外图像故障诊断模型,利用所述训练集和验证集对所述红外图像故障诊断模型进行训练和验证,得到训练好的红外图像故障诊断模型;
6、利用所述训练好的红外图像故障诊断模型对待识别的干式变压器的红外图像进行故障识别。
7、2、根据权利要求1所述的方法,其特征在于,所述的通过故障模拟实验的方法得到干式变压器在不同过热性故障下的红外图像,建立红外图像数据集,将红外图像数据集划分为训练集和测试集,包括:
8、通过故障模拟实验的方法得到干式变压器在不同过热性故障下的红外图像,建立红外图像数据集,该红外图像数据集中包括空载、匝间短路、风道堵塞、半载、散热不良和过负荷类型的红外图像,该红外图像的尺寸大小为固定尺寸的rgb彩色图像;
9、对红外图像数据集中的图像进行扩增,图像扩增方法包括:图像镜像、旋转和添加图像噪声,将扩充之后的红外图像数据集按照7:3的比例划分为训练集和测试集。
10、3、根据权利要求2所述的方法,其特征在于,所述的构建基于改进alexnet的红外图像故障诊断模型,包括:
11、构建基于改进alexnet的红外图像故障诊断模型,所述改进alexnet包括在alexnet的中间层加入批量归一化bn层,所加入bn层的计算过程为:
12、假设所使用的alexnet的中间层某一批次的结果为一个尺寸为m的小批量b:
13、b={x1...xm}
14、对激活值计算其小批量平均值μb:
15、
16、计算小批量激活值的方差σb:
17、
18、对小批量激活值进行归一化:
19、
20、对归一化的激活值进行线性变换得到y1...m:
21、
22、其中的参数γ和β是未知的,需要通过学习得到;
23、搭建基于改进alexnet的红外图像故障诊断模型,alexnet共有8层结构,5层卷积层,3层全连接层,5层卷积层和3层全连接层的激活函数均选用relu函数。对alexnet每一层的卷积核参数进行改进,具体为:
24、卷积层c1:将卷积核个数从96个减少到64个,大小仍为11*11;
25、卷积层c2:将卷积核个数从256个减少到128个,大小仍为5*5;
26、卷积层c3:将卷积核个数从384个减少到128个,大小仍为3*3;
27、卷积层c4:将卷积核个数从384减少到96个,大小仍为3*3;
28、卷积层c5:将卷积核个数从256减少到96个,大小仍为3*3;
29、全连接层fc6:从4096个节点减少到2048个;
30、全连接层fc7:从4096个节点减至1024个;
31、全连接层fc8:输出的向量维度为6。
32、4、根据权利要求3所述的方法,其特征在于,所述的利用所述训练集和验证集对所述红外图像故障诊断模型进行训练和验证,得到训练好的红外图像故障诊断模型,包括:
33、利用所述训练集和验证集使用early stopping策略对基于改进alexnet的红外图像故障诊断模型进行迭代训练和验证,损失采用交叉熵损失,初始学习率设置为0.01,最大迭代次数1500轮,批量大小64,每轮训练首先在训练集上训练并更新模型参数,在验证集上计算损失,如果在验证集上发现损失上升,并连续上升超过20轮,则停止训练。将停止之后的参数作为红外图像故障诊断模型的最终参数,得到训练好的红外图像故障诊断模型。
34、5、根据权利要求4所述的方法,其特征在于,所述的利用所述训练好的红外图像故障诊断模型对待识别的干式变压器的红外图像进行故障识别,包括:
35、对运行中的干式变压器,使用同一型号的红外相机、从不同角度和不同距离进行拍摄,得到不同角度和距离下干式变压器的红外图像数据;
36、将待识别的干式变压器的红外图像转换为224*224像素大小的红外图像,使用python调用训练好的红外图像故障诊断模型,将转换后的待识别的干式变压器的红外图像输入到训练好的红外图像故障诊断模型,训练好的红外图像故障诊断模型利用改进alexnet中的c1、c2、c3、c4、c5卷积层对输入的红外图像进行特征提取,将红外图像映射为6*6*69的特征矩阵,将特征矩阵输入到改进alexnet中的fc6、fc7、fc8构成的分类器中,分类器对所述特征矩阵进行故障类型判断,输出所述待识别的干式变压器的红外图像的故障诊断结果,故障诊断结果为正常或故障,正常结果包括空载、半载的工况,故障结果包括匝间短路、风道堵塞、散热不良和过负荷四种过热性故障。
37、由上述本专利技术的实施例提供的技术方案可以看出,本专利技术方法利用改进的alexnet,在满足较高故障识别率的前提下,显著降低了模型的参数量。该方法能够在显著降低对本文档来自技高网...
【技术保护点】
1.一种基于改进AlexNet的干式变压器红外图像故障诊断方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述的通过故障模拟实验的方法得到干式变压器在不同过热性故障下的红外图像,建立红外图像数据集,将红外图像数据集划分为训练集和测试集,包括:
3.根据权利要求2所述的方法,其特征在于,所述的构建基于改进AlexNet的红外图像故障诊断模型,包括:
4.根据权利要求3所述的方法,其特征在于,所述的利用所述训练集和验证集对所述红外图像故障诊断模型进行训练和验证,得到训练好的红外图像故障诊断模型,包括:
5.根据权利要求4所述的方法,其特征在于,所述的利用所述训练好的红外图像故障诊断模型对待识别的干式变压器的红外图像进行故障识别,包括:
【技术特征摘要】
1.一种基于改进alexnet的干式变压器红外图像故障诊断方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述的通过故障模拟实验的方法得到干式变压器在不同过热性故障下的红外图像,建立红外图像数据集,将红外图像数据集划分为训练集和测试集,包括:
3.根据权利要求2所述的方法,其特征在于,所述的构建基于改进ale...
【专利技术属性】
技术研发人员:闫思玲,赵叶辉,李晨旭,刘京,龚兆丰,杨运节,张钢,陈杰,杨静俭,李丹阳,
申请(专利权)人:北京市地铁运营有限公司供电分公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。